Jak provést extrakci tabulek z PDF v Javě pomocí GroupDocs.Parser

Extrahování tabulek z PDF souborů je častý požadavek, když potřebujete převést statické dokumenty na strukturovaná data. V tomto tutoriálu se naučíte jak extrahovat tabulky z PDF pomocí knihovny GroupDocs.Parser pro Javu. Pokryjeme nastavení prostředí, konfiguraci rozložení tabulky a jak exportovat pdf tabulky csv pro následné zpracování. Na konci budete schopni integrovat robustní extrakci tabulek do jakéhokoli datového kanálu založeného na Javě.

Rychlé odpovědi

• Jaká je hlavní knihovna? GroupDocs.Parser for Java
• Mohu extrahovat tabulky ze skenovaných PDF? Pouze po OCR; viz poznámka „extract tables scanned pdf“ níže
• Potřebuji licenci? Zkušební licence funguje pro vývoj; plná licence je vyžadována pro produkci
• Jaká verze Javy je vyžadována? Java 8 nebo vyšší
• Je podpora dávkového zpracování? Ano – API je optimalizováno pro rozsáhlou extrakci

Co je extrakce tabulek z PDF v Javě?

Extrakce tabulek z PDF v Javě je proces programového vyhledávání tabulkových struktur uvnitř PDF, interpretace hranic buněk a získávání textu ve strojově čitelném formátu, jako je CSV nebo Excel. To umožňuje následnou analytiku, reportování nebo migrační úkoly bez ručního kopírování a vkládání.

Proč použít GroupDocs.Parser pro extrakci tabulek z PDF v Javě?

GroupDocs.Parser poskytuje přesnou detekci rozložení pro více než 50 + vstupních a výstupních formátů a dokáže zpracovat PDF s více stovkami stránek při zachování využití paměti pod 200 MB. Podporuje dávkové úlohy, nabízí jednoduchou Maven závislost a integruje se bez problémů s GroupDocs OCR pro scénáře se skenovanými dokumenty.

Předpoklady

Než začneme, ujistěte se, že máte následující:

• Java 8+ nainstalováno a nakonfigurováno ve vašem IDE nebo nástroji pro sestavení.
• Maven pro správu závislostí.
• Přístup k licenci GroupDocs.Parser (zkušební nebo plná).

Požadované knihovny a závislosti

Budete potřebovat:

• GroupDocs.Parser pro Javu (verze 25.5 nebo novější).
• Maven nainstalovaný ve vašem systému pro správu závislostí.

Nastavení prostředí

Ujistěte se, že vaše vývojové prostředí je nastaveno s kompatibilní verzí Javy (Java 8 nebo vyšší).

Předpoklady znalostí

Základní pochopení programování v Javě a znalost práce se soubory v Javě bude užitečná.

Nastavení GroupDocs.Parser pro Javu

Pro zahájení používání GroupDocs.Parser jej integrujte do svého projektu následovně:

Nastavení Maven
Přidejte následující konfiguraci do souboru pom.xml, abyste zahrnuli GroupDocs.Parser jako závislost:

<repositories>
   <repository>
      <id>repository.groupdocs.com</id>
      <name>GroupDocs Repository</name>
      <url>https://releases.groupdocs.com/parser/java/</url>
   </repository>
</repositories>

<dependencies>
   <dependency>
      <groupId>com.groupdocs</groupId>
      <artifactId>groupdocs-parser</artifactId>
      <version>25.5</version>
   </dependency>
</dependencies>

Přímé stažení
Alternativně stáhněte nejnovější verzi GroupDocs.Parser pro Javu z GroupDocs releases.

Získání licence

Začněte s bezplatnou zkušební verzí, získejte dočasnou licenci nebo zakupte plnou licenci. Navštivte GroupDocs licensing page pro podrobnosti.

Základní inicializace a nastavení

Inicializujte GroupDocs.Parser ve své Java aplikaci následovně:

import com.groupdocs.parser.Parser;

public class DocumentParser {
    public static void main(String[] args) {
        final String filePath = "YOUR_DOCUMENT_DIRECTORY/SampleInvoicePagesPdf.pdf";
        try (Parser parser = new Parser(filePath)) {
            // Ready to perform operations on the document
        } catch (Exception e) {
            System.err.println("Error creating Parser instance: " + e.getMessage());
        }
    }
}

Průvodce implementací

Projdeme si každou funkci, kterou potřebujete zvládnout jak extrahovat tabulky z PDF.

Funkce 1: parsování dokumentu pomocí GroupDocs

Přehled
Pro práci s PDF dokumentem vytvořte instanci třídy Parser.
Parser je vstupní třída pro čtení PDF obsahu v GroupDocs.Parser. To umožňuje různé operace s dokumentem.

Vytvoření instance parseru
Třída Parser je vstupní bod pro čtení PDF obsahu v GroupDocs.Parser. Načte dokument do paměti a poskytuje metody pro extrakci textu, tabulek a dalších struktur.

import com.groupdocs.parser.Parser;

public class CreateParserInstance {
    public static void main(String[] args) {
        final String filePath = "YOUR_DOCUMENT_DIRECTORY/SampleInvoicePagesPdf.pdf";
        try (Parser parser = new Parser(filePath)) {
            // Document is ready for operations
        } catch (Exception e) {
            System.err.println("Error creating Parser instance: " + e.getMessage());
        }
    }
}

Funkce 2: kontrola schopnosti extrakce tabulek

Přehled
Před extrakcí tabulek ověřte, že PDF podporuje extrakci tabulek.

Kontrola podpory tabulek
Metoda hasTables() vrací boolean, který udává, zda načtené PDF obsahuje detekovatelné tabulkové údaje.
hasTables() kontroluje, zda dokument obsahuje nějaké tabulky.

import com.groupdocs.parser.Parser;

public class CheckTableSupport {
    public static void main(String[] args) {
        final String filePath = "YOUR_DOCUMENT_DIRECTORY/SampleInvoicePagesPdf.pdf";
        try (Parser parser = new Parser(filePath)) {
            boolean isTablesSupported = parser.getFeatures().isTables();
            
            if (!isTablesSupported) {
                System.out.println("Document doesn't support tables extraction.");
            }
        } catch (Exception e) {
            System.err.println("Error checking table extraction capability: " + e.getMessage());
        }
    }
}

Funkce 3: konfigurace rozložení tabulky

Přehled
Konfigurace rozložení vašich tabulek může zvýšit přesnost extrakce dat.

Nastavení rozložení tabulky
TemplateTableLayout definuje očekávané šířky sloupců a výšky řádků.
TemplateTableLayout určuje vlastní šířky sloupců a výšky řádků pro detekci tabulky. Úprava těchto hodnot pomáhá motoru zarovnat hranice buněk s vizuální mřížkou.

import com.groupdocs.parser.templates.TemplateTableLayout;
import java.util.Arrays;

public class ConfigureTableLayout {
    public static void main(String[] args) {
        final double[] columnWidths = {50.0, 95.0, 275.0, 415.0, 485.0, 545.0};
        final double[] rowHeights = {325.0, 340.0, 365.0, 395.0};

        TemplateTableLayout layout = new TemplateTableLayout(
                Arrays.asList(columnWidths), 
                Arrays.asList(rowHeights));
    }
}

Funkce 4: nastavení možností extrakce tabulky

Přehled
Nastavte možnosti pro extrakci tabulek s konkrétními konfiguracemi pro zlepšení přesnosti extrakce.

Konfigurace možností extrakce
TableExtractionOptions vám umožňuje určit, zda zahrnout řádky hlavičky, sloučit buňky nebo ignorovat prázdné řádky.
TableExtractionOptions konfiguruje chování extrakce, jako je zahrnutí hlaviček nebo sloučení buněk.

import com.groupdocs.parser.options.PageTableAreaOptions;
import com.groupdocs.parser.templates.TemplateTableLayout;

public class SetExtractionOptions {
    public static void main(String[] args) {
        TemplateTableLayout layout = new TemplateTableLayout(
                Arrays.asList(new Double[]{50.0, 95.0, 275.0, 415.0, 485.0, 545.0}), 
                Arrays.asList(new Double[]{325.0, 340.0, 365.0, 395.0}));

        PageTableAreaOptions options = new PageTableAreaOptions(layout);
    }
}

Funkce 5: extrakce tabulek z dokumentu

Přehled
Extrahujte tabulky pomocí nastavených možností a zpracujte je podle potřeby.

Proces extrakce
Metoda getTables() vrací kolekci objektů Table, z nichž každý představuje detekovanou tabulku na požadovaných stránkách.
getTables() získá všechny detekované tabulky z dokumentu.
Table představuje jednu extrahovanou tabulku s řádky a buňkami.

import com.groupdocs.parser.Parser;
import com.groupdocs.parser.options.PageTableAreaOptions;
import com.groupdocs.parser.data.PageTableArea;

public class ExtractTables {
    public static void main(String[] args) {
        final String filePath = "YOUR_DOCUMENT_DIRECTORY/SampleInvoicePagesPdf.pdf";
        PageTableAreaOptions options = new PageTableAreaOptions(/* layout from previous feature */);

        try (Parser parser = new Parser(filePath)) {
            Iterable<PageTableArea> tables = parser.getTables(options);
            
            for (PageTableArea table : tables) {
                // Process each table as needed
            }
        } catch (Exception e) {
            System.err.println("Error extracting tables: " + e.getMessage());
        }
    }
}

Funkce 6: iterace přes řádky a sloupce tabulky

Přehled
Po extrakci iterujte přes řádky a sloupce pro přístup k jednotlivým buňkám.

Iterace a přístup k buňkám
Každý Table poskytuje getRows() a každý Row poskytuje getCells(). Můžete přečíst text buňky pomocí getText() a zapsat jej do CSV nebo jiného formátu.
Row představuje jeden řádek v Table.
getRows() vrací seznam řádků v tabulce.
getCells() vrací buňky řádku.
getText() získá textový obsah buňky.

import com.groupdocs.parser.data.PageTableArea;
import com.groupdocs.parser.data.PageTableAreaCell;

public class IterateTables {
    public static void main(String[] args) {
        PageTableArea table = /* reference to a specific PageTableArea object */;

        for (int row = 0; row < table.getRowCount(); row++) {
            for (int column = 0; column < table.getColumnCount(); column++) {
                PageTableAreaCell cell = table.getCell(row, column);
                if (cell != null) {
                    // Process the cell text as needed
                }
            }
        }
    }
}

Časté problémy a řešení

Často kladené otázky

1. Mohu extrahovat tabulky ze skenovaných PDF nebo jen z digitálních PDF?

Odpověď: GroupDocs.Parser primárně funguje s digitálními, výběrnými PDF, které obsahují vložený text. Pro skenované PDF budete muset nejprve spustit OCR – buď s GroupDocs OCR nebo jiným OCR nástrojem – aby se text stal prohledávatelným před extrakcí tabulky.

2. Jak zacházet s tabulkami s komplexním rozložením nebo sloučenými buňkami?

Odpověď: Přizpůsobte TemplateTableLayout pomocí přesných souřadnic sloupců a řádků, nebo povolte příznak mergeCells v TableExtractionOptions. Může být nutné provést post‑processing pro správnou interpretaci sloučených oblastí.

3. Je GroupDocs.Parser vhodný pro velké dokumenty nebo dávkové zpracování?

Odpověď: Ano. Knihovna je vytvořena pro scénáře s vysokou propustností a může zpracovávat PDF se stovkami stránek při nízké spotřebě paměti. Používejte možnosti rozsahu stránek a po každé dávce uvolněte instanci Parser, aby se maximalizoval výkon.

4. Mohu exportovat extrahovaná data tabulky do formátů jako CSV nebo Excel?

Odpověď: GroupDocs.Parser vrací surová data tabulky (řádky a buňky). Tyto data můžete snadno zapsat do CSV pomocí OpenCSV nebo do Excelu pomocí Apache POI. To splňuje případ použití export pdf tables csv bez další licence.

5. Existuje podpora pro extrakci tabulek z více stránek najednou?

Odpověď: Rozhodně. Zavolejte parser.getTables(pageOptions) s rozsahem stránek nebo iterujte přes všechny stránky. API agreguje tabulky napříč stránkami, což vám umožní vytvořit jediné konsolidované datové sady.

Závěr

Extrakce tabulek z PDF v Javě se stává jednoduchou s GroupDocs.Parser. Inicializací Parser, potvrzením podpory tabulek, konfigurací rozložení a možností extrakce a iterací přes vzniklé objekty Table můžete převést statické PDF na strukturované soubory CSV nebo Excel. Design knihovny zaměřený na výkon, podpora více než 50 formátů a bezproblémová integrace OCR z ní činí ideální volbu pro automatizaci faktur, migraci dat a velké analytické pipeline. S výše uvedenými kroky jste připraveni vložit spolehlivou extrakci tabulek do jakékoli Java aplikace.

Poslední aktualizace: 2026-09-17
Testováno s: GroupDocs.Parser 25.5 (Java)
Autor: GroupDocs

Související tutoriály

• Jak extrahovat PDF pomocí GroupDocs.Parser v Javě: Komplexní průvodce
• Java PDF Text Extraction s GroupDocs.Parser – Krok za krokem průvodce
• java pdf text extraction s GroupDocs.Parser – Kompletní průvodce